深度学习与PyTorch入门实战 - 07. 创建Tensor

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/dragen1860

摘要

文档详细介绍了在PyTorch中创建Tensor的方法，包括从NumPy数组转换、使用ones和zeros创建全1和全0的Tensor，通过eye函数创建对角矩阵，以及利用arange、linspace等函数生成特定范围的数值。此外，文档还展示了如何生成随机数Tensor，如rand、randn和randint函数的使用，以及处理未初始化Tensor的方法。

AI总结

### 文档总结：PyTorch 创建 Tensor 入门

#### 1. 从 NumPy 导入数据
- 使用 `torch.from_numpy()` 可以将 NumPy 数组转换为 PyTorch Tensor。
- 示例：

    a = np.array([2, 3.3])
    torch.from_numpy(a)  # 输出 tensor([2.0000, 3.3000], dtype=torch.float64)

#### 2. 创建基础 Tensor
##### ones 和 zeros
- `torch.ones()` 创建全 1 的 Tensor。

  torch.ones(3,3)  # 输出 tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])

- `torch.zeros()` 创建全 0 的 Tensor。

  torch.zeros(3,3)  # 输出 tensor([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])

##### eye 矩阵
- `torch.eye()` 创建单位矩阵。

  torch.eye(3)  # 输出 tensor([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])

#### 3. 数值范围生成
- `torch.linspace()`：在指定区间内生成等差数列。
- `torch.logspace()`：在对数尺度上生成等差数列。
- 示例：

  torch.linspace(1, 4, 3)  # 输出 tensor([1., 2.5, 4.])
  torch.logspace(0, 1, 3)  # 输出 tensor([1.0000, 1.7783, 3.1623])

#### 4. 未初始化 Tensor
- `torch.empty()`：创建未初始化的 Tensor，值不确定。

  torch.empty(2,3)  # 输出 tensor([[ 3.1921e+27, 0.0000e+00, -1.0163e+11],
                  #            [ 7.1186e-43, 0.0000e+00, -0.0000e+00]])

#### 5. 随机数生成
- `torch.rand()`：生成均匀分布的随机数。

  torch.rand(3,3)  # 输出 tensor([[0.1489, 0.3039, 0.0103],
                  #            [0.7305, 0.6398, 0.1361],
                  #            [0.0675, 0.8197, 0.0676]])

- `torch.rand_like()`：根据现有 Tensor 的形状生成随机数。

  a = torch.rand(3,3)
  torch.rand_like(a)  # 输出与 a 同形状的随机数 Tensor

- `torch.randint()`：生成指定范围的整数随机数。

  torch.randint(1,10, (3,3))  # 输出 tensor([[8, 4, 2], [1, 2, 7], [3, 6, 2]])

#### 6. 注意事项
- `torch.range()` 已弃用，建议使用 `torch.arange()`。
- 可以通过 `.type()` 或 `torch.tensor()` 指定数据类型。
- 创建 Tensor 时，避免使用 `torch.FloatTensor([1,2])`，建议直接使用 `torch.tensor([1,2])`。

#### 7. 示例
- 创建特定形状的全 7 Tensor：

  torch.full([1],7)  # 输出 tensor([7.])

---

### 总结
PyTorch 提供了多种方法创建 Tensor，包括从 NumPy 数组导入、生成基础 Tensor（如全 1、全 0、单位矩阵）、数值范围生成、未初始化 Tensor 以及随机数生成。掌握这些方法可以快速进行深度学习实践。